Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i
Telekomunikacji
Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI
Laboratorium nr 8 SYSTEMY NEURO-ROZMYTE
Prowadzący: ………..
Zakres ćwiczeń:
1. Budowa systemów neuro-rozmytych
2. Dobór struktury systemów neuro-rozmytych 3. Metody uczenia systemów neuro-rozmytych
Wstęp teoretyczny
Systemy neuro-rozmyte są układami łączącymi własności sieci neuronowych (zdolność uczenia się) oraz systemów rozmytych (zdolność do opisu i przetwarzania wiedzy jakościowej). Zaletą systemów neuro-rozmytych jest możliwość wykorzystania w procesie dostrajania parametrów zarówno wiedzy jakościowej jak i ilościowej. Dodatkowo nie ma potrzeby opracowywania nowych algorytmów uczących ponieważ bez większych modyfikacji można zaadaptować procedury uczące znane dla sieci neuronowych lub algorytmy klasteryzacji danych. Możliwe jest również wprowadzenie do systemu neuro-rozmytego wiedzy pochodzącej od eksperta. System neuro-rozmyty nie musi być rozpatrywany jako czarna skrzynka ponieważ jej parametry posiadają interpretację w postaci reguł rozmytych.
Proces doboru odpowiedniej struktury można częściowo zautomatyzować wykorzystując w tym celu algorytmy klasteryzacji. System neuro-rozmyty można przedstawić jako strukturę składającą się z trzech części. Część pierwsza odpowiedzialna jest za rozmywanie danych wejściowych, cześć druga - za przeprowadzenie operacji wnioskowania oraz część trzecia - za wyostrzenie wyników. Wiedza zakodowana w postaci parametrów rozmytej sieci neuronowej może być rozpisana na reguły rozmyte. W zależności od typu reguł rozmytych można mówić o układzie neuro-rozmytym typu Mamdaniego lub Takagi-Sugeno.
Zadania:
1. Zapoznać się z dokumentacją systemu ANFIS (ang. Adaptive Neuro-Fuzzy Inference System)
2. Wczytać dane demonstracyjne z systemu ANFIS następnie zdefiniować strukturę systemu neuro-rozmytego i przeprowadzić uczenie metodą wstecznej propagacji błedów.
3. Przetestować nauczony system neuro-rozmyty z wykorzystaniem danych demonstracyjnych
4. Powtórzyć proces uczenia wykorzystując algorytm klasteryzacji w zadaniu generacji struktury systemu neuro-rozmytego. W zadaniu uczenia systemu wykorzystać algorytm gradientowy największego spadku do wyznaczenia parametrów zbiorów rozmytych opisujących przesłanki reguł rozmytych oraz algorytm najmniejszych kwadratów do wyznaczenia parametrów konkluzji reguł.
5. Przetestować nauczony system neuro-rozmyty z wykorzystaniem danych demonstracyjnych.
6. Wykonać aproksymację funkcji nieliniowej (zadanej przez prowadzącego) za pomocą systemu neuro-rozmytego
Literatura:
1. Rutkowska D.,Piliński M., Rutkowski L.: Sieci neuronowe. Algorytmy genetyczne i systemy rozmyte, PWN, Warszawa, 1997.
2. Rutkowska D.: Inteligentne systemy obliczeniowe, Akademicka Oficyna Wydawnicza, Warszawa, 1997.
3. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1998.
4. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowanie, Warszawa 1994.
5. Yager R.R., Filev D.P.: Podstawy modelowania i sterowania rozmytego, WNT, Warszawa, 1995
